O manejo das colmeias é crucial para a sustentabilidade da apicultura. No entanto, revisões frequentes durante a colheita de mel podem causar estresse, e em períodos de escassez de alimento, contribuir para a perda de enxames. Este estudo propõe uma abordagem não invasiva e eficiente, combinando o processamento de áudio produzido pelas colônias com técnicas de aprendizado de máquina para identificar a intensidade das colmeias. Inicialmente, concentramos nossos esforços em identificar os níveis fraca, média e forte das colônias, utilizando características cepstrais (MFCCs) e os classificadores MLP, SVM e RF. Obtivemos resultados promissores, com uma acurácia média superior a 97% para os três classificadores. Considerando um cenário mais aderente a realidade do apiário, classificação da colônia em fraca e forte e utilizando um conjunto de dados expandido, os resultados revelaram que o MLP superou modelos clássicos, alcançando uma acurácia de 95,53%. Além disso, exploramos características extraídas por CNNs, como VGG16, ResNet50, MobileNet e YOLO, comparando-as com MFCCs. As características tradicionais superaram aquelas extraídas pelas CNNs, destacando a eficácia dos MFCCs na identificação da intensidade das colmeias. Os resultados deste estudo não apenas contribuem para o avanço na compreensão acústica das colmeias, mas também oferecem informações práticas que podem auxiliar os apicultores na tomada de decisões sobre a seleção de colmeias para a coleta de mel.